論文の概要: Carbon-Aware Intrusion Detection: A Comparative Study of Supervised and Unsupervised DRL for Sustainable IoT Edge Gateways
- arxiv url: http://arxiv.org/abs/2511.18240v1
- Date: Sun, 23 Nov 2025 00:59:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-25 18:34:24.715423
- Title: Carbon-Aware Intrusion Detection: A Comparative Study of Supervised and Unsupervised DRL for Sustainable IoT Edge Gateways
- Title（参考訳）: Carbon-Aware Intrusion Detection:サステナブルIoTエッジゲートウェイの監視および教師なしDRLの比較検討
- Authors: Saeid Jamshidi, Foutse Khomh, Kawser Wazed Nafi, Amin Nikanjam, Samira Keivanpour, Omar Abdul-Wahab, Martine Bellaiche,
- Abstract要約: 本稿では,DeepEdgeIDSとAutoDRL-IDSの2つの新しいIDSを提案する。
どちらのDRLベースのIDSも、エッジゲートウェイに関する理論的解析と実験的評価により検証される。
その結果,AutoDRL-IDSはラベル付きデータによる検出精度94%,DeepEdgeIDSはラベル無しで98%の精度と適応性が得られた。
- 参考スコア（独自算出の注目度）: 5.868388890362134
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The rapid expansion of the Internet of Things (IoT) has intensified cybersecurity challenges, particularly in mitigating Distributed Denial-of-Service (DDoS) attacks at the network edge. Traditional Intrusion Detection Systems (IDSs) face significant limitations, including poor adaptability to evolving and zero-day attacks, reliance on static signatures and labeled datasets, and inefficiency on resource-constrained edge gateways. Moreover, most existing DRL-based IDS studies overlook sustainability factors such as energy efficiency and carbon impact. To address these challenges, this paper proposes two novel Deep Reinforcement Learning (DRL)-based IDS: DeepEdgeIDS, an unsupervised Autoencoder-DRL hybrid, and AutoDRL-IDS, a supervised LSTM-DRL model. Both DRL-based IDS are validated through theoretical analysis and experimental evaluation on edge gateways. Results demonstrate that AutoDRL-IDS achieves 94% detection accuracy using labeled data, while DeepEdgeIDS attains 98% accuracy and adaptability without labels. Distinctly, this study introduces a carbon-aware, multi-objective reward function optimized for sustainable and real-time IDS operations in dynamic IoT networks.
- Abstract（参考訳）: IoT(Internet of Things)の急速な拡張は、特にネットワークエッジでのDistributed Denial-of-Service(DDoS)攻撃を緩和する上で、サイバーセキュリティ上の課題を強化している。
従来の侵入検知システム(IDS)は、進化とゼロデイ攻撃への適応性の低さ、静的シグネチャとラベル付きデータセットへの依存、リソース制約のあるエッジゲートウェイへの非効率など、重大な制限に直面している。
さらに、既存のDRLベースのIDS研究は、エネルギー効率や炭素の影響といった持続可能性要因を概観している。
これらの課題に対処するため,本研究では,非教師付きオートエンコーダ-DRLハイブリッドであるDeepEdgeIDSと,教師付きLSTM-DRLモデルであるAutoDRL-IDSの2つの新しいIDSを提案する。
どちらのDRLベースのIDSも、エッジゲートウェイに関する理論的解析と実験的評価により検証される。
その結果,AutoDRL-IDSはラベル付きデータによる検出精度94%,DeepEdgeIDSはラベル無しで98%の精度と適応性が得られた。
直感的には、動的IoTネットワークにおける持続的およびリアルタイムIDS操作に最適化された、炭素を意識した多目的報酬関数を導入する。
関連論文リスト
- Network Anomaly Detection for IoT Using Hyperdimensional Computing on NSL-KDD [0.2399911126932527]
本稿では,超次元計算(HDC)技術を用いたネットワーク異常検出手法を提案する。
提案手法は,大規模データ処理におけるHDCの効率を利用して,未知の攻撃パターンと未知の攻撃パターンを識別する。
このモデルはKDDTrain+サブセットで91.55%の精度を達成し、従来のアプローチよりも優れていた。
論文 参考訳（メタデータ） (2025-03-04T22:19:26Z) - A Conditional Tabular GAN-Enhanced Intrusion Detection System for Rare Attacks in IoT Networks [1.1970409518725493]
モノのインターネット(IoT)ネットワークは、6G技術によって強化され、さまざまな産業に変化をもたらしている。
彼らの普及は、特に稀だが潜在的に破壊的なサイバー攻撃を検出する際に、重大なセキュリティリスクをもたらす。
従来のIDSは、IoTデータの深刻なクラス不均衡により、まれな攻撃を検出するのに苦労することが多い。
論文 参考訳（メタデータ） (2025-02-09T21:13:11Z) - Achieving Network Resilience through Graph Neural Network-enabled Deep Reinforcement Learning [64.20847540439318]
深層強化学習(DRL)は多くの重要な通信ネットワークのタスクで広く利用されている。
グラフニューラルネットワーク(GNN)とDRLを組み合わせて、GNNを用いてネットワークの非構造的特徴を抽出する研究もある。
本稿では,GNNとDRLを組み合わせたレジリエントネットワークの構築について検討する。
論文 参考訳（メタデータ） (2025-01-19T15:22:17Z) - A Survey for Deep Reinforcement Learning Based Network Intrusion Detection [3.493620624883548]
本稿では,ネットワーク侵入検出における深部強化学習(DRL)の可能性と課題について考察する。
DRLモデルの性能は分析され、DRLは将来性を持っているが、近年の多くの技術は未解明のままである。
この論文は、現実世界のネットワークシナリオにおけるDRLの展開とテストを強化するための推奨事項で締めくくっている。
論文 参考訳（メタデータ） (2024-09-25T13:39:30Z) - D5RL: Diverse Datasets for Data-Driven Deep Reinforcement Learning [99.33607114541861]
ロボット操作と移動環境の現実的なシミュレーションに焦点を当てたオフラインRLのための新しいベンチマークを提案する。
提案するベンチマークでは、状態ベースドメインと画像ベースドメインを対象とし、オフラインRLとオンライン微調整評価の両方をサポートしている。
論文 参考訳（メタデータ） (2024-08-15T22:27:00Z) - Digital Twin-Assisted Data-Driven Optimization for Reliable Edge Caching in Wireless Networks [60.54852710216738]
我々はD-RECと呼ばれる新しいデジタルツインアシスト最適化フレームワークを導入し、次世代無線ネットワークにおける信頼性の高いキャッシュを実現する。
信頼性モジュールを制約付き決定プロセスに組み込むことで、D-RECは、有利な制約に従うために、アクション、報酬、状態を適応的に調整することができる。
論文 参考訳（メタデータ） (2024-06-29T02:40:28Z) - Deep Reinforcement Learning for Intrusion Detection in IoT: A Survey [0.23408308015481666]
最新のDRLベースのIDS手法は、無線センサネットワーク(WSN)、ディープQネットワーク(DQN)、ヘルスケア、ハイブリッド、その他の技術を含む5つのカテゴリに分類されている。
最も重要なパフォーマンス指標、すなわち、精度、リコール、精度、偽陰性率(FNR)、偽陽性率(FPR)、F測定について詳述する。
論文 参考訳（メタデータ） (2024-05-30T13:19:23Z) - Enhancing IoT Security Against DDoS Attacks through Federated Learning [0.0]
IoT(Internet of Things)は、物理デバイスとデジタル領域の間の変換接続を基盤としている。
従来のDDoS緩和アプローチは、IoTエコシステムの複雑さを扱うには不十分である。
本稿では、フェデレートラーニングの力を活用して、IoTネットワークのDDoS攻撃に対するセキュリティを強化する革新的な戦略を紹介する。
論文 参考訳（メタデータ） (2024-03-16T16:45:28Z) - ORL-AUDITOR: Dataset Auditing in Offline Deep Reinforcement Learning [42.87245000172943]
オフラインの深層強化学習(オフラインDRL)は、事前にコンパイルされたデータセットのモデルをトレーニングするために頻繁に使用される。
オフラインDRLシナリオを対象とした最初のトラジェクトリレベルのデータセット監査機構であるORL-AUDITORを提案する。
複数のオフラインDRLモデルとタスクに対する実験により、監査精度が95%以上、偽陽性率が2.88%未満であるORL-AUDITORの有効性が示された。
論文 参考訳（メタデータ） (2023-09-06T15:28:43Z) - Efficient Deep Reinforcement Learning Requires Regulating Overfitting [91.88004732618381]
本稿では,高時間差(TD)誤差が深部RLアルゴリズムの性能に悪影響を及ぼす主要な原因であることを示す。
検証TDエラーをターゲットとした簡単なオンラインモデル選択法は,状態ベースDMCおよびGymタスク間で有効であることを示す。
論文 参考訳（メタデータ） (2023-04-20T17:11:05Z) - Fair and Efficient Distributed Edge Learning with Hybrid Multipath TCP [62.81300791178381]
無線による分散エッジ学習のボトルネックは、コンピューティングから通信へと移行した。
DEL用の既存のTCPベースのデータネットワークスキームは、アプリケーションに依存しず、アプリケーション層要求に応じて調整を施さない。
DELのためのモデルベースと深部強化学習(DRL)に基づくMP TCPを組み合わせたハイブリッドマルチパスTCP(MP TCP)を開発した。
論文 参考訳（メタデータ） (2022-11-03T09:08:30Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。